硅酸盐学报

多保真度数据学习算法的定量噪声评价

PDF下载

刘晓彤 ¹^,² , 王滋明 ² , 欧阳嘉华 ³ , 杨涛 ¹^,²

硅酸盐学报 | 机器学习在材料研发中的应用专题—研究论文 2023,51(2): 405-410

收起

硅酸盐学报 |机器学习在材料研发中的应用专题—研究论文 2023 , 51 (2) : 405 -410

多保真度数据学习算法的定量噪声评价

全屏

刘晓彤¹^,², 王滋明², 欧阳嘉华³, 杨涛¹^,²

作者信息

^1．北京信息科技大学，北京市材料基因工程高精尖创新中心，北京 100101

^2．北京信息科技大学计算机学院，北京 100101

^3．暨南大学信息科学技术学院，广州 511442

通讯作者:

杨涛（1980—），女，博士。

作者简介:

刘晓彤（1987—），男，博士。

A Quantitative Noise Method to Evaluate Machine Learning Algorithm on Multi-Fidelity Data

Xiaotong LIU¹^,², Ziming WANG², Jiahua OUYANG³, Tao YANG¹^,²

Affiliations

^1.Beijing Advanced Innovation Center for Materials Genome Engineering, Beijing Information Science and Technology University, Beijing 100101, China

^2.School of Computer, Beijing Information Science and Technology University, Beijing 100101, China

^3.School of Information Science and Technology, Jinan University, Guangzhou 511442, China

Corresponding Author:

YANG Tao (1980-), female, Ph.D. E-mail: ytyangmei@bistu.edu.cn

LIU Xiaotong (1987-), male, Ph.D. E-mail: liuxiaotong@bistu.edu.cn

出版时间: 2023-02-20 doi: 10.14062/j.issn.0454-5648.20220811

文章导航

摘要

收起

多保真度数据是当前材料领域数据的主要存在形式。在数据生产端，不同量化方法在材料同种属性的计算上存在较大差距。对于数据消费端的机器学习算法，研究人员为最大化提取数据中知识设计了各种方法。采用定量噪声添加的方法，评价不同噪声强度、类型对不同多保真度数据学习方法的影响，通过迭代降噪验证数据修正方法的适用场景。结果表明：多保真度数据的利用方式至关重要，需对各子数据集中数据量及含噪情况进行综合考量。在使用不同噪声类型与强度构造出的多种数据集上，得益于数据间的协同效应，逐步删除低保真度数据的Onion"训练方式明显优于按数据集所含噪声减小方向逐个进行的训练方式。在多保真度数据训练中，无论何种噪声强度及训练方式，线性噪声对模型的影响更小。对于采样噪声来说，在各环节更好地模拟了真实多保真度数据，建议被后续研究采用。此外，复杂噪声难以让少量真值数据发挥纠偏"作用，更适合进行迭代降噪处理。

关键词

多保真度 / 属性预测 / 机器学习 / 定量噪声

Abstract

收起

Most data in material science are multi-fidelity data. From the viewpoint of data producer, there is a system error for any quantum method. For machine learning algorithm, as a data consumer, various methods have been designed to maximize the number of knowledges extracted from the multi-fidelity data. In this paper, a quantitative method of noise addition was used to evaluate the influence of different noise types and intensities on some multi-fidelity data learning methods. And the effective scope of the data correction method was verified via iterative noise reduction. The results show that the ways to exploit the multi-fidelity data are crucial. It is necessary to consider comprehensively both the size and the noise level of the datasets. On a variety of datasets constructed with different noise types and intensities, the "Onion" training method that gradually deletes lower fidelity data is better than the "one by one" training method in the direction of noise reduction due to the synergistic effect of different multi-fidelity data. No matter what kind of noise intensity and training method, linear noise has less impact on the final performance of model. However, the data with sampled noise added, which the final testing results are similar to the real multi-fidelity data, were recommended to be adopted in a future research. Also, the complex noise in data is difficult to be corrected by a small amount of true data, thus being more suitable for the iterative noise reduction processing.

Key words

multi-fidelity / property prediction / machine learning / quantitative noise

引用本文

刘晓彤, 王滋明, 欧阳嘉华, 杨涛. 多保真度数据学习算法的定量噪声评价. 硅酸盐学报, 2023 , 51 (2) : 405 -410 . DOI: 10.14062/j.issn.0454-5648.20220811

Xiaotong LIU, Ziming WANG, Jiahua OUYANG, Tao YANG. A Quantitative Noise Method to Evaluate Machine Learning Algorithm on Multi-Fidelity Data[J]. Journal of the Chinese Ceramic Society, 2023 , 51 (2) : 405 -410 . DOI: 10.14062/j.issn.0454-5648.20220811

基金

收起

国家自然科学基金项目(22203008; 22272009)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

2023年第51卷第2期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.14062/j.issn.0454-5648.20220811

接收时间：2022-09-29
首发时间：2026-10-20
出版时间：2023-02-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2022-09-29
修回日期：2022-11-05

基金

国家自然科学基金项目(22203008; 22272009)

作者信息

^1．北京信息科技大学，北京市材料基因工程高精尖创新中心，北京 100101

^2．北京信息科技大学计算机学院，北京 100101

^3．暨南大学信息科学技术学院，广州 511442

通讯作者:

杨涛（1980—），女，博士。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/gsyxb/CN/10.14062/j.issn.0454-5648.20220811

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT